YOLO26 frente a YOLOv10: la evolución de la detección de objetos de extremo a extremo

El panorama de la detección de objetos en tiempo real cambia rápidamente. En 2024, YOLOv10 acaparó los titulares al ser pionero en un enfoque de entrenamiento sin supresión no máxima (NMS), eliminando de manera efectiva un importante cuello de botella en los procesos de inferencia. Avanzando rápidamente hasta 2026, Ultralytics ha perfeccionado y ampliado estos conceptos, ofreciendo una arquitectura nativa de extremo a extremo que es más rápida, más precisa y está profundamente integrada en el Ultralytics .

Esta guía ofrece una comparación técnica entre estos dos influyentes modelos, lo que ayuda a los desarrolladores, investigadores e ingenieros a elegir la herramienta adecuada para sus aplicaciones de visión artificial.

Comparación de métricas de rendimiento

A la hora de evaluar los detectores modernos, la relación entre velocidad y precisión es fundamental. YOLO26 introduce optimizaciones significativas dirigidas específicamente a dispositivos periféricos y a CPU , logrando un aumento de velocidad de hasta un 43 % en las CPU en comparación con las generaciones anteriores. Mientras que YOLOv10 sigue siendo un modelo muy eficiente, YOLO26 amplía los límites de lo posible con recursos computacionales más ligeros.

Innovaciones Arquitectónicas

Ultralytics : el nuevo estándar

Autores: Glenn Jocher, Jing Qiu
Organización:Ultralytics
Fecha: 14 de enero de 2026

YOLO26 representa la culminación de la investigación sobre eficiencia y facilidad de uso. Adopta un diseño integral NMS, similar al de YOLOv10, pero lo mejora con varios cambios arquitectónicos clave diseñados para ofrecer robustez y flexibilidad de implementación.

1. Eliminación de DFL: al eliminar la pérdida focal de distribución (DFL), se simplifica la arquitectura del modelo. Este cambio es crucial para la compatibilidad de exportación, ya que facilita la implementación del modelo en hardware periférico restringido, como Raspberry Pi o dispositivos móviles, donde las capas de salida complejas pueden causar latencia.
2. Optimizador MuSGD: Inspirado en la estabilidad de entrenamiento de los modelos de lenguaje grandes (LLM), YOLO26 utiliza un optimizador híbrido que combina SGD Muon. Esta innovación, adaptada del Kimi K2 de Moonshot AI, garantiza una convergencia más rápida y ejecuciones de entrenamiento estables, lo que reduce el coste de computación.
3. ProgLoss + STAL: La introducción de Progressive Loss (ProgLoss) y Soft-Target Anchor Loss (STAL) mejora significativamente el rendimiento en objetos pequeños. Esto hace que YOLO26 sea especialmente adecuado para tareas como el análisis de imágenes aéreas o la detección de defectos en la fabricación.

Más información sobre YOLO26

YOLOv10: El pionero NMS

Autores: Ao Wang et al.
Organización: Universidad de Tsinghua
Fecha: 23 de mayo de 2024

YOLOv10 un lanzamiento histórico que abordó la redundancia del NMS . Su principal innovación fue el uso de asignaciones duales consistentes para el entrenamiento NMS.

• Asignaciones duales: durante el entrenamiento, el modelo utiliza asignaciones de etiquetas tanto uno a muchos como uno a uno. Esto permite al modelo aprender representaciones ricas al tiempo que garantiza que, durante la inferencia, solo se realice una predicción por objeto, lo que elimina la necesidad de NMS.
• Diseño de eficiencia holística: los autores introdujeron cabezales de clasificación ligeros y un submuestreo desacoplado del canal espacial para reducir la sobrecarga computacional, lo que se refleja en su bajo recuento de FLOP.

Más información sobre YOLOv10

Integración y ecosistema

Una de las diferencias más significativas radica en el ecosistema circundante. Ultralytics es el modelo insignia de la Ultralytics , que garantiza la compatibilidad inmediata con todas las tareas y modos.

La ventaja de Ultralytics

• Versatilidad: mientras que YOLOv10 principalmente en la detección, YOLO26 ofrece compatibilidad nativa con la segmentación de instancias, la estimación de posturas, OBB y la clasificación.
• Ultralytics : YOLO26 está totalmente integrado con la Ultralytics (antes HUB), lo que permite una gestión fluida de los conjuntos de datos, formación en la nube con un solo clic y despliegue en formatos como TFLite y OpenVINO.
• Mantenimiento: Como producto principal, YOLO26 recibe actualizaciones frecuentes, correcciones de errores y soporte de la comunidad a través de GitHub y Discord.

Comparación de código

Ambos modelos se pueden ejecutar utilizando el ultralytics Python , que destaca la flexibilidad de la biblioteca. Sin embargo, YOLO26 se beneficia de las últimas funciones de utilidad y optimizaciones.

from ultralytics import YOLO

# ----------------- YOLO26 -----------------
# Load the latest YOLO26 model (NMS-free, optimized for CPU)
model_26 = YOLO("yolo26n.pt")

# Train on a custom dataset with MuSGD optimizer enabled automatically
model_26.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference with simplified output (no NMS overhead)
results_26 = model_26("path/to/image.jpg")


# ----------------- YOLOv10 -----------------
# Load the YOLOv10 model (Historical academic checkpoint)
model_10 = YOLO("yolov10n.pt")

# Train using standard settings
model_10.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference
results_10 = model_10("path/to/image.jpg")

Casos de Uso y Recomendaciones

La elección entre estos modelos depende de las limitaciones específicas de su implementación y de los objetivos del proyecto.

Escenarios Ideales para YOLO26

• IA de borde en CPU: si su aplicación se ejecuta en hardware sin una GPU dedicada GPU por ejemplo, portátiles estándar, puertas de enlace IoT de baja potencia), CPU un 43 % más rápida de YOLO26 la convierte en la opción indiscutible.
• Soluciones comerciales: Para aplicaciones empresariales que requieren mantenimiento a largo plazo, claridad estricta en las licencias (licencia empresarial) y asistencia técnica fiable, YOLO26 está diseñado para la producción.
• Tareas complejas: los proyectos que requieren cuadros delimitadores orientados para levantamientos aéreos o estimación de posturas para análisis deportivos se beneficiarán de las capacidades multitarea de YOLO26.

Escenarios Ideales para YOLOv10

• Investigación académica: Los investigadores que estudian los fundamentos teóricos del entrenamiento NMS o las estrategias de asignación de etiquetas encontrarán en el artículo de arXiv y la arquitectura YOLOv10 una valiosa referencia.
• Benchmarking heredado: para comparar con las referencias de la era 2024, YOLOv10 como un excelente estándar para arquitecturas centradas en la eficiencia.

Conclusión

Ambas arquitecturas han desempeñado un papel fundamental en el avance de la visión artificial. YOLOv10 cuestionó con éxito la necesidad del NMS, demostrando que la detección de extremo a extremo era viable para aplicaciones en tiempo real.

Ultralytics aprovecha ese avance y lo perfecciona. Al combinar el diseño NMS con la estabilidad del optimizador MuSGD, la eliminación de DFL compatible con dispositivos periféricos y el versátil soporte del Ultralytics , YOLO26 ofrece la solución más equilibrada y de alto rendimiento para los desarrolladores actuales. Tanto si está creando un sistema de tráfico para ciudades inteligentes como un escáner de documentos móvil, YOLO26 le proporciona la velocidad y la precisión necesarias para alcanzar el éxito.

Lecturas adicionales

• Documentación de YOLO26
• Guía de tareas de detección de objetos
• Explicación de las métricas YOLO
• Ultralytics para el entrenamiento de modelos
• Guía de modos de exportación de modelos

Comentarios